Hi shizk233, 非常感谢你的回答！ 如果是如下场景：我的DAG 就是从kafka source topic 读取数据， 然后写到kafka sink topic， 中间没有其他stateful operator. 如果sink operator 不是两端提交，就是kafka producer send, 那么如果开启checkpoint, state 就只是source operator kafka offset.
假设，现在message 1-5 正在被sink operator publish， 1-3 已经publish了，但4，5 还没有， 这个时候source operator 成功完成了checkpoint, 这个checkpoint 里面 offset 应该要 > 5, 假设是6. 假如这个时候publish message 4 失败了， 那么job restart from last successful checkpoint, source operator 就会从6 开始读数据，那么4 和 5 就会丢失了， 这个理解正确吗 谢谢！ Eleanore On Wed, Aug 26, 2020 at 9:32 AM shizk233 <wangwangdaxian...@gmail.com> wrote: > Hi Eleanore，这个问题我可以提供一点理解作为参考 > > 1.chk与at least once > checkpoint机制的思想就是做全局一致性的快照，失败恢复时数据的消费位点会回滚到上一次chk n的进度， > 然后进行数据重放，这样就保证了数据不会缺失，至少被消费一次。 > > 2. sink2PC > 在chk机制下，数据重放时一般sink端的数据不能回滚，就会有重复数据。如果是upsert sink那仍然是一致的， > 否则需要通过2PC的预提交来将chk n+1成功前的数据写到临时存储，等chk n+1完成再真正写入的物理存储。如果 > 在chk n+1之前任务失败回滚了，那临时存储的数据也可以回滚，这样就能保证一致性。 > > 这样的话 chk就是at least once，chk+upsert或者chk+2pc就是exactly once了。 > > 3.kafka auto commit > chk快照的state不仅仅是source的offset，还有数据流中各个算子的state，chk机制会在整个数据流完成同一个chk > n的时候才提交offset。 > kafka auto commit不能保障这种全局的一致性，因为auto commit是自动的，不会等待整个数据流上同一chk n的完成。 > > Eleanore Jin <eleanore....@gmail.com> 于2020年8月26日周三 下午11:51写道： > > > Hi Benchao > > 可以解释一下为什么sink没有两阶段提交，那就是at least once 的语义吗？ 比如source和 sink 都是kafka， 如果 > sink > > 不是两段式提交，那么checkpoint 的state 就只是source 的 offset，这种情况下和使用kafka auto commit > > offset 看起来似乎没有什么区别 > > > > 可否具体解释一下？ 谢谢！ > > > > Eleanore > > > > On Tue, Aug 25, 2020 at 9:59 PM Benchao Li <libenc...@apache.org> wrote: > > > > > 这种情况需要打开checkpoint来保证数据的不丢。如果sink没有两阶段提交，那就是at least once语义。 > > > > > > 范超 <fanc...@mgtv.com> 于2020年8月26日周三 上午11:38写道： > > > > > > > 大家好，我现在有个疑问 > > > > 目前我使用kafka作为source，经过计算以后，将结果sink到数据库； > > > > > > > > > > > > > > 后来日志数据库发生了timeout或者宕机，kafka这边的主题，却消费掉了造成了数据丢失，那么如何设置才可以确认在sink失败的时候，不提交kafka的消费位移呢？ > > > > > > > > > > > > 多谢大家了 > > > > > > > > 范超 > > > > > > > > > > > > > -- > > > > > > Best, > > > Benchao Li > > > > > >
